人工智能与大语言模型
研究模型在医疗科技学习、专业知识与工作流程中的应用问题，明确输出验证与责任边界。
MTICI / 专业 · 证据 · 合作
人工智能与数字健康
探索人工智能、健康数据与数字流程，关注隐私、证据与人的监督。
应用场景示意
以负责任的创新，探索数字健康。
人工智能与数字健康
从用途出发，理解技术的能力与边界。
学院关注人工智能、大语言模型、医疗软件服务、健康数据分析、智能照护、预防健康及数字化工作流程。研究围绕具体场景展开，结合准确性、可解释性、风险及人工监督来评估应用。
医疗软件与工作流程
探索数字工具如何配合机构工作流程，关注使用条件、权限与人员协作。
健康数据分析
理解资料来源、处理目的与分析方法，重视数据质量、隐私与可追溯性。
智能照护与预防健康
结合照护和预防健康需求，探索数字技术如何支持实际使用与持续服务。
数据治理原则
让数据使用，有明确的目的与责任。
从设计阶段保护隐私
在项目设计时考虑数据用途、使用范围及必要的保护措施。
数据最小化
围绕已明确的目的界定所需资料，减少不必要的数据收集与处理。
授权与权限控制
明确谁可以访问、使用或管理不同类别的数据，并保存相应记录。
保存与审计
识别保存期限、审计安排及供应商管理要求，支持后续追溯。
数据分类
区分公开数据、内部业务数据、敏感或个人资料与研究数据。
跨境责任
明确数据流向、处理目的、责任方及需要适用的法律与机构要求。
人工智能治理
明确用途，保留人的监督。
- 01
定义用途
说明模型拟用于什么任务、面向什么用户、使用什么输入，以及哪些情形需要进一步审核。
- 02
评估风险
围绕具体场景考察准确性、可解释性、潜在偏差、安全及专业责任。
- 03
验证输出
建立人工监督与输出验证安排，关注错误或不确定输出对后续工作的影响。
- 04
持续检查
结合实际反馈更新风险判断、使用条件与知识记录。